Identification and Estimation of Optimal Continuous Treatment Effects
School of Economics, University of Sydney(悉尼大学经济系)
本文针对连续处理效应估计中的不适定密度得分问题,提出基于有界结果权重的一类加权平均导数效应,发展其最优有效估计目标的识别与估计理论,并推导有效影响函数及去偏机器学习估计器。
2026-09-17 econ.EM
Locally Asymptotically Minimax Statistical Treatment Rules Under Partial Identification
本研究在部分识别下提出局部渐近极小极大统计处理规则,仅需方向可微性,模拟显示其优于插入式规则。
2023-11-15 econ.EM
Identification and Estimation of Unconditional Policy Effects of an Endogenous Binary Treatment: An Unconditional MTE Approach
本文提出基于影响函数的无条件边际处理效应方法,用于识别和估计内生二元处理的无条件政策效应,并引入UNIQUE估计量,实证研究学费补贴对工资分位数的影响。
2024-08-06 econ.EM
Local Asymptotics for Treatment Choice with Partial Identification
本文针对部分识别下治疗选择问题,提出新渐近框架,将简化型参数以最不利配置为中心,表征极限决策问题为正态位置偏移模型,并将结果应用于三类相关问题。
2026-08-14 econ.EM
Fuzzy Difference-in-Discontinuities: Identification Theory and Application to the Affordable Care Act
本文探讨了模糊断点回归设计的使用,在阈值处应用多个处理。识别结果表明,在非常强的假设下,治疗的概率在截止点的变化是相等的治疗,在不连续性的差异估计识别感兴趣的处理效应。如果在临界点应用治疗的概率变化在治疗间存在差异,则使用简单模糊不连续性差异设计的处理效应的点估计值存在偏倚。还提出了修改的模糊差分不连续性的方法,依赖于温和的假设。我们的研究结果表明,在模糊不连续性的存在下,应用前后方法时需要谨慎。使用全国健康访谈调查的数据,我们应用这种新的识别策略来评估《平价医疗法案》(ACA)对美国老年人医疗保健获得和利用的因果影响。
2021-04-17 econ.EM
Identification of dynamic treatment effects when treatment histories are partially observed
针对治疗历史部分可观测下的路径依赖型治疗效应识别问题,本文提出结合三类模型的稳健双重差分估计量,仅需两类模型设定正确即可识别目标参数,在缺失和模型偏误场景下推断更准确,应用中估计结果与传统方法有实质差异。
2025-06-17 econ.EM
Causal Identification under Interference: The Role of Treatment Assignment Independence
Concordia University(康科迪亚大学);University of Geneva(日内瓦大学)
本文研究了在存在任意干扰时,基于个体治疗反应假设的因果识别公式所识别的因果对象,发现其为平均直接效应,并提出了一种稳健性分析框架。
2026-10-19 econ.EM
Doubly Robust Identification of Causal Effects of a Continuous Treatment using Discrete Instruments
本文提出一种双重稳健的因果估计方法,在平均处理单调性或处理秩相似性任一条件下均有效,用于二元工具变量下连续处理的因果识别,并通过睡眠对幸福感的影响验证了其与2SLS估计的一致性。
2024-02-26 econ.EM
Neyman allocation is minimax optimal for best arm identification with two arms
本文根据局部渐近极小极大后悔准则,描述了只有两种治疗时最佳手臂识别的最优策略规则。结果表明,最佳的抽样规则是奈曼分配,分配一个恒定的分数单位,以每种治疗的方式,是成比例的标准偏差的治疗结果。当方差相等时,最佳比率为二分之一。该策略独立于数据,因此不适应先前的结果。在实验结束时,决策者采用具有较高平均结果的处理。
2022-08-25 econ.EM
Changes-In-Changes For Discrete Treatment
针对原始CIC模型无法处理多类别离散处理的问题,本文提出广义CIC模型,将秩不变假设适配多处理水平,填补了该领域研究空白,可稳健捕捉不同处理强度的差异化效应。
2024-11-03 econ.EM
Partial Identification of Distributional Treatment Effects in Panel Data using Copula Equality Assumptions
本文提出利用面板数据和两种组内Copula等式假设部分识别分布处理效应,并通过锻炼对体重影响的实证展示其增强识别能力。
2024-11-07 econ.EM
Decision Theory for Treatment Choice Problems with Partial Identification
本文运用经典统计决策理论处理部分识别下的治疗选择问题,刻画了极小极大遗憾最优规则,并探讨其在政策采纳、LATE外推及遗漏变量偏差场景中的应用。
2025-06-20 econ.EM
The Identification Power of Combining Experimental and Observational Data for Distributional Treatment Effect Parameters
Faculty of Economics, The University of Tokyo(东京大学经济学部)
本文研究结合随机实验数据和自选择观察数据对分布治疗效应参数的识别力,提出非参数尖界并探讨数据结合提升识别力的机制。
2026-09-28 econ.EM
A Unified Framework for Identification and Inference of Local Treatment Effects in Sharp Regression Kink Designs
School of Economics, Shanghai University of Finance and Economics(上海财经大学经济学院)
本文为尖锐回归扭折设计中的局部处理效应开发了一个统一的识别、估计与一致推断框架,通过局部多项式约束回归实现估计,并应用于检验失业保险对失业持续期分布及不平等的影响。
2025-10-31 econ.EM
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型,其中的结果是一个虚拟的治疗变量的线性组合,每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理,我们发现,如果非均质系数与给定对照的处理无关,则一个简单的识别条件是广义倾向得分(Imbens,2000)远离零,并且它们的总和远离1,概率为1。我们的分析延伸到分布和分位数处理效应,以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin(1983)关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Rebuttal of "On Nonparametric Identification of Treatment Effects in Duration Models"
Johansson和Lee在他们的IZA Discussion Paper 10247中声称Abbring和Van den Berg(2003 b)的主要结果(命题3)不成立。我们证明他们的说法是不正确的。在他们的推理路线中的某个点上,他们在将一个随机变量转换为另一个随机变量时犯了一个相当基本的错误,这导致他们得出不正确的结论。因此,他们的纸张可以被丢弃。
2019-07-20 econ.EM
Identification and Inference on Treatment Effects under Covariate-Adaptive Randomization and Imperfect Compliance
本文研究了在协变量自适应随机化与不完全依从的二元处理RCTs中ATE和ATT的识别与推断,推导了识别集刻画,提出了一致估计量与渐近置信区间,并给出了估计处理分配概率的最优实用建议。
2025-04-30 econ.EM
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法,用于内生序贯处理机制下的处理效应识别,放松了支撑集与不可观测收益假设,并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
A Computational Approach to Identification of Treatment Effects for Policy Evaluation
本文提出一个计算框架,在二元工具变量下通过 MTE 加权平均系统计算政策相关处理参数的非参数边界,支持统计独立性与多种识别假设,并应用于医保政策对医疗服务使用的影响评估。
2023-08-07 econ.EM
Treatment Geometry and Causal Identification with Earth Observation Data
研究利用地球观测数据进行处理几何与因果识别,介绍处理几何概念,通过多领域案例为将现实干预转化为可分析数据时的关键权衡提供指导,给出诊断重要几何决策的框架及综合问题。
2026-07-23 econ.EM
Partial Identification of Personalized Treatment Response with Trial-reported Analyses of Binary Subgroups
医学期刊坚持的报道实践严重限制了已发表的试验结果的有用性。医疗决策者通常观察许多患者协变量,并寻求使用这些信息来个性化治疗选择。然而,标准的试验结果摘要只是将受试者分为广泛的亚组,通常分为二元类别。鉴于这种报告实践,我们研究了长期平均治疗结果E[y(t)]的推断问题。|其中t是治疗,y(t)是治疗结果,并且协变量向量x具有长度K,每个分量是二进制变量。可用数据是{E[y(t)|xk = 0],E[y(t)|xk = 1],P(xk)},k = 1,. . .,K在期刊文章中报道。我们表明,报告的试验结果部分确定{E[y(t)|x],P(x)}.说明性的计算表明,在期刊文章中的试验结果的摘要可能意味着只有宽的边界上的长期平均结果。如果能将报告的试验结果与具有识别能力的可信假设(如有界变差假设)结合起来,就能切实地加强推论。
2022-09-03 econ.EM
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义,这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
Inference on Local Average Treatment Effects for Misclassified Treatment
当二进制处理包含测量误差时,我们发展了局部平均处理效应的点识别。标准的工具变量估计是不一致的参数,因为测量误差是非经典的建设。我们通过使用一个外生变量(甚至可以是二元协变量)来确定测量误差的分布来纠正这个问题。从辨识得到的矩条件导出了具有渐近有效推论的广义矩估计估计方法。蒙特卡罗模拟和一个实证说明所提出的程序的实用性。
2018-04-10 econ.EM
Instrumental variables with unordered treatments: Theory and evidence from returns to fields of study
我们重新审视了Kirkeboen等人(2016)的识别论点,他们展示了如何将用于多种无序治疗的工具与关于个体对这些治疗的排名的信息相结合,以实现识别,同时允许处理效应中观察到和未观察到的异质性。我们发现,他们的识别论点的关键假设具有可检验的影响。我们还提供了一个新的特性的偏见,可能会出现,如果这些假设被违反。总之,这些结果不仅使研究人员能够测试基本假设,而且还可以论证违反这些假设的偏差是否可能具有经济意义。在这些结果的指导和激励下,我们估计和比较了挪威和丹麦的中学后学习领域的收入回报。在每个国家,我们将Kirkeboen et al.(2016)的识别参数应用于个人对研究领域和特定领域工具的排名数据,这些数据来自录取系统的不连续性。我们实证研究是否和为什么研究领域的回报在两国不同。我们发现很强的跨国相关性的回报领域的研究,特别是在删除领域与违反的假设基础上的识别参数。
2022-10-11 econ.EM
Treatment Effects of Multi-Valued Treatments in Hyper-Rectangle Model
本研究拓展超矩形模型,通过引入排序处理假设在更宽条件下识别多值处理的边际处理响应,可推导各类处理效应,并提出政策效果检验方法以服务实证政策分析。
2025-09-05 econ.EM
Dynamic Local Average Treatment Effects in Time Series
University of Rome Tor Vergata(罗马托尔维加特大学);University of Colorado at Boulder(科罗拉多大学博尔德分校)
本文针对时间序列IV设定下的动态LATEs,提出识别、估计与推断方法,检测识别性最强的子样本并开发对应稳健推断程序,将其应用于货币政策效应分析,调和了相关估计冲突。
2026-08-03 econ.EM
2SLS with Multiple Treatments
该研究探讨多处理异质性模型中两阶段最小二乘法(2SLS)的识别问题,得出平均条件单调性与无交叉效应是其识别各处理个体效应正加权和的充要条件,分析可适配多处理、多工具变量及协变量场景,并给出可检验推论与选择行为特征。
2024-05-23 econ.EM
Point Identification of LATE with Two Imperfect Instruments
本文用两种非理想仪器对局部平均处理效应(LATE)的点识别结果进行了表征。经典方法(Imbens和Angrist(1994))通过满足排除性、单调性和独立性的工具来确定LATE。然而,要找到一种同时满足所有这些假设的单一工具可能是具有挑战性的。我的论文使用了两种工具,但对这两种工具都施加了较弱的假设。第一个工具被允许违反排除限制,第二个工具不需要满足单调性。因此,第一个工具可以通过直接影响和治疗状态的转变来影响结果。直接效应可以通过第二仪器中的外生变化来识别,因此识别出了局部平均处理效应。提出了一种估计,并使用蒙特卡罗模拟,它表现出更强大的比工具变量估计。
2023-03-24 econ.EM
Identification of Average Treatment Effects in Nonparametric Panel Models
Stanford University(斯坦福大学)
本文提出非参数因子模型,证明面板数据中平均处理效应的可识别性,并给出可广泛用于组间差异分解的一致估计量。
2025-03-25 cs.LG econ.EM stat.ME
Identification of Treatment Effects under Limited Exogenous Variation
本文提出变系数设定以缓解处理效应非参数识别的强支撑条件,给出平均处理效应识别的充要条件(条件非奇异性),并统一半参数与非参数识别框架。
2025-01-26 econ.EM stat.ME
Robust Bayes Treatment Choice with Partial Identification
Massachusetts Institute of Technology(麻省理工学院);Cornell University(康奈尔大学);Stanford University(斯坦福大学)
本文研究了具有部分识别的二元治疗选择问题,提出鲁棒贝叶斯决策规则,并应用于政策制定和数据汇总问题。
2025-12-19 econ.EM
Nonparametric Treatment Effect Identification in School Choice
Stanford University(斯坦福大学)
本文提出非参数方法识别学校分配中的处理效应,分析了原子处理效应的识别与估计,并推荐新的聚合方案以处理回归不连续性驱动的异质性。
2025-12-29 econ.EM stat.ME
When does IV identification not restrict outcomes?
本文给出工具变量模型中处理效应不限制结果被点识别的充要条件,推广LATE单调性,并应用于交叉随机处理的互补性识别。
2025-02-27 econ.EM
Identifying treatment effects on categorical outcomes in IV models
The California Polytechnic State University(加州州立理工大学)
本文在二元处理与工具变量设定下提出分类结果因果推断的非参数框架,通过关联相似性实现点识别,并给出单调关联和有界关联下的部分识别边界,应用于估计私人健康保险对健康结果的影响。
2026-10-07 econ.EM
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
Identification and Estimation of A Rational Inattention Discrete Choice Model with Bayesian Persuasion
研究了具有贝叶斯说服的理性疏忽模型的半参数辨识与估计问题。这种识别需要观察市场层面的跨部门结果。该模型的经验内容可以用三个矩条件来表征。为了避免结构模型中的计算复杂性,提出了一种两步估计方法。在实证应用方面,本文研究了福克斯新闻在2000年美国总统大选中的说服效果。福利分析表明,说服不会影响选民与高中教育,但会产生较高的离散度的福利选民与部分大学教育和降低离散度的福利选民与学士学位。
2020-09-17 econ.EM
Marginal treatment effects in the absence of instrumental variables
Center for Quantitative Economic Research, Zhejiang University of Finance & Economics(浙江财经大学数量经济研究中心);School of Economics, Zhejiang University of Finance & Economics(浙江财经大学经济学院);School of Economics, Zhejiang University(浙江大学经济学院);School of Economics, Shanghai University of Finance & Economics(上海财经大学经济学院)
本文提出一种无需工具变量假设的方法,用于估计无工具变量情况下边际处理效应,并通过实证应用展示其在分析异质因果效应中的有效性。
2026-02-27 econ.EM
Identification of Causal Effects with a Bunching Design
本文提出一种利用连续处理变量分布中的聚束现象进行非参数因果效应识别的新方法,无需工具变量或面板数据,并应用于估计孕期吸烟对出生体重的影响。
2025-07-07 econ.EM
Beyond Parallel Trends in Staggered Difference-in-Differences: Identification under Higher-Order Parallelism
Centre for Health Economics, University of York(约克大学健康经济中心)
本文提出高阶平行性假设层次,替代传统平行趋势假设,在交错双重差分设计中实现队列特定和平均处理效应的点识别,并证明聚合定理。
2026-07-29 econ.EM
Identification with possibly invalid IVs
本文提出利用两个互补的准工具变量(一个被排除但可能内生,一个外生但可能被包含)的联合相关性来识别原本依赖有效工具变量的多种处理效应模型,从而在准工具变量更易获得的实际应用(如双重差分法)中实现更灵活的内生性识别。
2024-10-22 econ.EM
Identification in discrete choice models with imperfect information
针对非完美信息下静态单主体离散选择模型的偏好识别问题,借助单人贝叶斯相关均衡刻画尖锐识别集,基于筛法构建识别集并给出反事实结果界,结合2017年英国大选数据估计空间投票模型,量化信息不完美对选民和政党福利的影响。
2023-12-15 econ.EM
Nonparametric Identification and Estimation with Independent, Discrete Instruments
在非参数工具回归模型中,我们加强了传统的矩独立性假设,使工具项和误差项之间完全统计独立。这使我们能够证明识别结果,并开发一个结构函数的利益时,该工具是离散的,特别是二进制的估计。当回归感兴趣的也是离散的,更多的质量点比仪器,我们状态下的结构功能被部分识别的直接条件下,并给出修改后的假设,这意味着点识别。这些更强的假设被证明持有一个小的条件矩的误差项。当结构函数是部分或点识别时,给出了识别集的估计量。当回归量是连续分布的,我们证明,如果仪器引起足够丰富的变化,在联合分布的回归量和误差项,然后点识别的结构功能仍然是可能的。这种方法是相对听话的,在一些标准条件下,我们证明了我们的点识别假设上的一组拓扑通用的密度函数的回归,误差和仪器的联合分布。我们的方法也适用于一个著名的非参数分位数回归框架,我们能够在这种情况下,国家类似的点识别结果。
2019-06-12 econ.EM
Identification and Estimation of Continuous-Time Dynamic Discrete Choice Games
The Ohio State University(俄亥俄州立大学)
本文研究连续时间动态离散选择游戏的理论、计算和计量特性,探讨了移动到达率的识别问题及异质移动到达率的广义模型,通过蒙特卡洛实验和实证例子分析了估计器的计算和统计性质。
2025-11-04 econ.EM
Treatment Choice, Mean Square Regret and Partial Identification
针对二元治疗选择中福利仅部分识别的问题,本研究以均方遗憾为准则开展有限样本分析,发现最优规则为分数形式,最优治疗比例由t统计量的logistic变换乘以约束优化因子得到,识别集越宽比例越接近0.5,决策者越谨慎。
2023-10-10 econ.EM stat.ME
Dynamic Discrete-Continuous Choice Models: Identification and Conditional Choice Probability Estimation
本文提出一个同时包含离散和连续选择的动态模型框架,证明其非参数可识别性,并开发了一种基于期望最大化和工具变量分位数回归的两步估计法,显著降低复杂动态模型的计算负担。
2025-04-23 econ.EM
On the Use of Instrumental Variables in Mediation Analysis
经验研究者不仅对治疗是否影响目标结果感兴趣,而且对处理效应如何产生感兴趣。因果中介分析提供了一个正式的框架,以确定因果机制,通过治疗影响的结果。最流行的识别策略依赖于所谓的序贯可混淆性(SI)假设,该假设要求在治疗和结局之间的因果路径中不存在未观察到的混杂因素。尽管这种假设很受欢迎,但在许多情况下被认为过于强大,因为它排除了未观察到的混杂因素的存在。这一局限性激发了最近的文献考虑一种替代的识别策略的基础上的工具变量(IV)。本文讨论了在一个二进制处理和一个二进制工具变量,这两个都被假定为随机设置的因果中介效应的识别。我们发现,虽然IV方法允许可能存在的未观察到的混杂因素,额外的单调性假设是必需的,除非假设强常数效应。此外,即使满足这种单调性假设,IV被估量不一定等同于目标参数。
2022-01-30 econ.EM
Nonparametric Point Identification of Treatment Effect Distributions via Rank Stickiness
The University of Chicago(芝加哥大学)
本文提出非参数点识别治疗效应分布的方法,通过排名粘性参数实现,无需强假设,且能处理排名违反情况,推导出闭式条件矩和违反概率,扩展到观察性研究。
2026-04-23 econ.EM stat.ME
Difference-in-Differences with Sample Selection
Department of Econometrics and Business Statistics, Monash University(莫纳什大学计量经济学与商业统计系);IZA, Germany(德国IZA研究所)
本文研究了在存在内生样本选择的情况下,差分法中平均处理效应的识别问题,并通过实证案例展示了该方法的应用价值。
2026-02-16 econ.EM
A Decision Theoretic Perspective on Artificial Superintelligence: Coping with Missing Data Problems in Prediction and Treatment Choice
Rice University(莱斯大学);Northwestern University(西北大学)
本文从决策理论角度探讨人工智能超智能中缺失数据问题的挑战,分析其对决策者应对识别问题的影响,指出当前机器学习架构在处理此类问题上难以超越人类。
2026-05-16 econ.EM
Testing identification in mediation and dynamic treatment models
University of Fribourg(弗里堡大学);University of Munich(慕尼黑大学);Matej Bel University(马特伊·贝尔大学);Norwegian School of Economics(挪威经济学院)
基于Huber和Kueck(2022)的检验,提出一种利用两组观测变量(协变量和疑似工具)来检验中介和动态处理模型中因果效应识别的方法,并应用于斯洛伐克劳动力市场数据。
2026-06-05 econ.EM stat.ME
Identification of Long-Term Treatment Effects via Temporal Links, Observational, and Experimental Data
UCLA, Department of Economics(加州大学洛杉矶分校,经济学系)
本文重新审视长期平均治疗效应的识别问题,指出时间链接假设是关键,提出两种可辩护的治疗反应假设,并开发新的统一识别框架以计算明确界限,通过Head Start参与的长期效应估计验证方法。
2026-03-19 econ.EM stat.ME
Identification, estimation and inference in Panel Vector Autoregressions using external instruments
University of Rome Tor Vergata(罗马托尔维加塔大学)
本文提出利用外源性工具识别面板向量自回归模型,并通过实证研究估计动态财政乘数,发现乘数高于1且影响持续
2026-11-04 econ.EM
Synthetic Control with Weight Uncertainty: Robust Identification and Statistical Inference
Columbia University Mailman School of Public Health(哥伦比亚大学米兰恩公共卫生学院);Center for Data Science, Zhejiang University(浙江大学数据科学中心)
DRoSC方法通过解决控制单位高度相关和关系变化问题,提供了一种更鲁棒的因果估计方法。
2026-08-18 econ.EM stat.ME
When Do Treatment Changes Identify Causal Effects?
University of Fribourg(弗里堡大学)
本文澄清了基于治疗变化而非治疗水平的因果推断的识别假设,并展示了其与传统识别策略的关系,提出了非嵌套假设下的双重稳健性结果。
2026-06-24 econ.EM stat.ME